[论文解读] Fusion of Greedy Pursuits for Compressed Sensing Signal Reconstruction

Sooraj K. Ambat, Saikat Chatterjee+1 more|arXiv (Cornell University)|Apr 20, 2012

Sparse and Compressive Sensing TechniquesEngineering参考文献 12被引用 19

一句话总结

该论文提出了一种新颖的融合框架——贪婪追踪融合（Fusion of Greedy Pursuits, FuGP），通过结合正交匹配追踪（OMP）与子空间追踪（SP），提升了压缩感知中稀疏信号的恢复性能。通过融合两种算法的支持集并利用迭代反馈优化估计，FuGP及其改进版本IFuGP在性能上实现显著提升——在无噪声条件下，SRER性能相比OMP最高提升252%；在有噪声环境下，提升达196%，尤其在低测量数和非理想信号场景下表现突出。

ABSTRACT

Greedy Pursuits are very popular in Compressed Sensing for sparse signal recovery. Though many of the Greedy Pursuits possess elegant theoretical guarantees for performance, it is well known that their performance depends on the statistical distribution of the non-zero elements in the sparse signal. In practice, the distribution of the sparse signal may not be known a priori. It is also observed that performance of Greedy Pursuits degrades as the number of available measurements decreases from a threshold value which is method dependent. To improve the performance in these situations, we introduce a novel fusion framework for Greedy Pursuits and also propose two algorithms for sparse recovery. Through Monte Carlo simulations we show that the proposed schemes improve sparse signal recovery in clean as well as noisy measurement cases.

研究动机与目标

• 解决贪婪追踪算法在压缩感知中因信号分布未知和测量数偏低而导致的性能波动问题。
• 克服单一贪婪追踪算法（如OMP、SP）在测量数低于特定阈值时性能显著下降的局限性。
• 设计一种融合框架，利用多种贪婪算法的互补优势，提升稀疏信号重建的鲁棒性与准确性。
• 提供一种无需信号统计先验知识、对信号类型不敏感的自适应恢复方法，在不同信号类型（高斯分布、Rademacher分布）和噪声条件下均表现优异。

提出的方法

• 提出一种融合框架，将两种贪婪追踪算法（如OMP与SP）的支持集合并，形成候选原子的并集。
• 引入两阶段重构流程：首先独立运行OMP与SP以估计部分支持集；其次将两者支持集融合为联合候选集合。
• 在改进版IFuGP中引入迭代反馈机制，通过重新评估残差能量并迭代更新解，以优化支持集估计。
• 采用信噪比-重建误差比（SRER）作为主要性能评估指标，在多次蒙特卡洛实验中进行评估。
• 使用列归一化的随机测量矩阵，并生成具有i.i.d.高斯或Rademacher分布非零系数的稀疏信号。
• 在清洁与有噪声测量环境（SMNR = 15 dB）下进行仿真，通过改变测量比例（α）评估方法的鲁棒性与可扩展性。

实验结果

研究问题

• RQ1 在底层信号分布未知的情况下，结合两种贪婪追踪算法是否能提升稀疏信号恢复性能？
• RQ2 在低测量数场景下（α < 0.3），OMP与SP支持集的融合相较于单一算法表现如何？
• RQ3 IFuGP中引入的迭代优化机制在多大程度上提升了重构精度，相较于基础FuGP框架？
• RQ4 在有噪声测量环境中（特别是SMNR = 15 dB时），所提出的融合方法具有多强的鲁棒性？
• RQ5 该融合框架是否在不同稀疏信号模型（高斯分布 vs. Rademacher分布）和测量条件下，始终优于单一贪婪追踪算法？

主要发现

• 在无噪声条件下，对于高斯稀疏信号，FuGP在α = 0.18时相比OMP实现31%（6.5 dB）的SRER增益，相比SP提升58%（10 dB）。
• 在相同条件下，IFuGP(OMP, SP)相比OMP实现59%（12 dB）的SRER增益，相比SP提升91%（16 dB），且较FuGP额外提升21%（5.72 dB）。
• 在有噪声环境（SMNR = 15 dB）下，FuGP在α = 0.18时相比OMP提升11%（1.1 dB）SRER，相比SP提升36%（3.1 dB）；IFuGP进一步在FuGP基础上提升3%（0.35 dB）。
• 在无噪声条件下处理Rademacher稀疏信号时，FuGP在α = 0.25时相比OMP实现203%（18 dB）的SRER增益，相比SP提升12%（2.8 dB）；IFuGP分别实现252%（22 dB）和30%（7 dB）的增益。
• 在有噪声的Rademacher信号场景中，IFuGP在α = 0.25时相比OMP实现196%（13.2 dB）的SRER增益，相比SP提升16%（2.7 dB），展现出对噪声的强鲁棒性。
• 所提出的融合框架在所有信号类型、测量条件和噪声水平下均显著优于单一贪婪追踪算法，尤其在低α值和有噪声条件下，IFuGP展现出最显著的性能提升。